ESP32 Arduino中dram0_0_seg溢出问题求助

使用Espressif ESP-WROVER-KIT（320KB RAM）进行机器学习图像分类任务时，编译代码出现内存溢出错误：

region `dram0_0_seg' overflowed by 10079520 bytes

检查.map文件发现.dram0.data大小为0x9b9abc（约10MB），远超开发板RAM容量。核心代码如下：

#include "model.h"  // Include the model header file

#include <tensorflow/lite/micro/all_ops_resolver.h>
#include <tensorflow/lite/micro/micro_error_reporter.h>
#include <tensorflow/lite/micro/micro_interpreter.h>
#include <tensorflow/lite/schema/schema_generated.h>
#include <tensorflow/lite/version.h>
#include <Arduino.h> 

// Globals, used for compatibility with Arduino-style sketches.
namespace {

  tflite::MicroErrorReporter micro_error_reporter;
  tflite::ErrorReporter* error_reporter = &micro_error_reporter;

  const tflite::Model* model = nullptr;
  tflite::MicroInterpreter* interpreter = nullptr;

  TfLiteTensor* input = nullptr;
  TfLiteTensor* output = nullptr;

  // Create an area of memory to use for input, output, and intermediate arrays.
  constexpr int kTensorArenaSize = 10 * 1024;
  uint8_t tensor_arena[kTensorArenaSize];
  const uint8_t image_data[128*128] = {
    0, 0, 0, ..., 255,  // Example values
    // ... (rest of the data) 
    }
}  // namespace

void setup() {
  Serial.begin(115200);

  // Load the model
  model = tflite::GetModel(model_mobilenetv2_tflite);
  if (model->version() != TFLITE_SCHEMA_VERSION) {
    Serial.println("Model schema version does not match");
    while (1);
  }

  // Create an interpreter to run the model
  static tflite::MicroMutableOpResolver<10> micro_op_resolver;
  tflite::MicroInterpreter static_interpreter(
      model, micro_op_resolver, tensor_arena, kTensorArenaSize, error_reporter);
  interpreter = &static_interpreter;

  // Allocate memory from the tensor_arena for the model's tensors
  interpreter->AllocateTensors();

  // Obtain pointers to the model's input and output tensors
  input = interpreter->input(0);
  output = interpreter->output(0);

  for (int i = 0; i < input->bytes; i++) {
    input->data.uint8[i] = image_data[i];
  }
  
}

void loop() {
// Run the model on this input and make sure it succeeds
  if (interpreter->Invoke() != kTfLiteOk) {
    Serial.println("Invoke failed");
    while (1);
  }

  // Output the results
  for (int i = 0; i < output->dims->data[1]; i++) {
    Serial.print("Output[");
    Serial.print(i);
    Serial.print("]: ");
    Serial.println(output->data.uint8[i]);
  }

  delay(1000);
}

1. 模型存储位置错误（核心问题） #

.dram0.data占用10MB的主要原因是MobileNetV2模型被编译到RAM的.data段，而模型本身大小远超320KB的RAM容量。

解决：将模型移到Flash存储 #

ESP32的SPI Flash容量远大于RAM，需把模型放到Flash只读区域：

• 在Arduino环境中，用PROGMEM宏修饰模型变量：

  // 修改model.h中的模型定义，或在引用时添加PROGMEM
  extern const uint8_t model_mobilenetv2_tflite[] PROGMEM;
  extern const size_t model_mobilenetv2_tflite_len;
  

• 加载模型时直接从Flash读取，无需复制到RAM：

  model = tflite::GetModel(model_mobilenetv2_tflite);
  

2. 示例图像数据的内存优化 #

代码中image_data[128*128]是16KB的全局数组，可进一步优化：

• 若仅用于测试，直接在setup()中动态生成测试数据，移除全局数组：

  for (int i = 0; i < input->bytes; i++) {
    input->data.uint8[i] = random(0, 255); // 生成随机测试数据
  }
  

• 若需固定图像，同样用PROGMEM放到Flash，读取时用pgm_read_byte()：

  const uint8_t image_data[128*128] PROGMEM = {0, 0, 0, ...};
  // 读取数据
  input->data.uint8[i] = pgm_read_byte(&image_data[i]);
  

3. Tensor Arena大小调整 #

当前kTensorArenaSize = 10KB远小于MobileNetV2的需求，会导致张量分配失败：

• 先增大到128KB测试，后续再根据实际情况优化：

  constexpr int kTensorArenaSize = 128 * 1024;
  uint8_t tensor_arena[kTensorArenaSize];
  

4. 模型轻量化 #

MobileNetV2对320KB RAM设备仍有压力，建议进一步压缩：

• 使用TensorFlow Lite模型优化工具进行int8量化，可将模型大小和内存占用降低75%左右。
• 替换为更轻量的模型，比如MobileNetV1、SqueezeNet，或TensorFlow Lite Micro官方提供的PersonDetection等微控制器专用模型。

内容的提问来源于stack exchange，提问作者sats